Ideogram 4 リリース: オープンウェイト 9.3B テキスト・トゥ・イメージ・モデル

Ideogram 4 はプロフェッショナルなデザインのための構造化 JSON プロンプトを導入

Ideogram 4 は、ゼロからトレーニングされた 9.3B パラメータの基盤モデルを特徴とする、Ideogram による初のオープンウェイト・テキスト・トゥ・イメージ・モデルです。高精度なデザイン業務向けに特別に設計されており、クラス最高の多言語テキストレンダリング、明示的なバウンディングボックスによるレイアウト制御、およびネイティブな 2k 解像度サポートを提供します。

技術アーキテクチャ

Ideogram 4 は、完全にシングルストリームの Diffusion Transformer (DiT) アーキテクチャを利用するフロー・マッチング・テキスト・トゥ・イメージ・モデルです。

シングルストリーム DiT

テキストと画像を別々のブランチで処理するモデルとは異なり、Ideogram 4 は、テキストと画像トークンを単一の統合されたシーケンスに結合する 34 層のトランスフォーマーを使用します。このアーキテクチャにより、プロセスのすべての層において深いクロスモーダルな相互作用が可能になります。

Vision-Language テキスト・エンコーディング

CLIP や T5 のような標準的なテキストのみのエンコーダーの代わりに、Ideogram 4 は Qwen3-VL-8B-Instruct を採用しています。このビジョン・ランゲージ・モデルにより、システムは 13 個の中間層から隠れ状態を抽出し、基本的なトークン情報から複雑な構成の理解に至るまで、マルチスケールの意味的特徴を画像生成器に提供します。

主要なアーキテクチャ機能

  • Dual-branch classifier-free guidance: 条件付き（ポジティブ）と無条件（ネガティブ）のブランチを独立して洗練させることで、画像の品質とプロンプトへの忠実度を個別に制御できます。
  • Flexible Resolution: 256 から 2048（16 の倍数）までの解像度を、最大 6:1 のアスペクト比でネイティブにサポートします。

JSON プロンプトによる高精度な制御

Ideogram 4 は、トレーニングの効率とグラウンディングを最大化するために、構造化された JSON キャプションで排他的にトレーニングされています。モデルはプレーンテキストのプロンプトも受け付けますが、JSON フォーマットは最大限の制御性を実現するためのネイティブ・インターフェースです。

レイアウトと色の制御

  • Bounding-Box レイアウト: ユーザーは JSON プロンプト内で bbox 座標を指定することで、被写体、テキスト要素、および背景領域を明示的に配置できます。
  • Color Palette 条件付け: スタイル記述の中で、支配的な配色を制御するために、16 進数カラーコードの colour_palette 配列をサポートしています。
  • Compositional Deconstruction: 精密な空間レイアウトは、バウンディングボックスと要素ごとの記述を組み合わせることで実現されます。

Magic Prompt 拡張

カジュアルなユーザーと構造化 JSON の要件との間のギャップを埋めるため、Ideogram は "magic prompt" LLM を提供しています。このツールは、生成前にプレーンテキストのプロンプトを完全な構造化 JSON キャプションへと拡張し、ユーザーが手動で JSON を書く必要なく、高品質な結果を保証します。

パフォーマンス・ベンチマーク

Ideogram 4 は、いくつかのサードパーティおよび内部ベンチマークにおいて、デザイン志向の生成におけるリーディング・オープンウェイト・モデルとして位置付けられています。

デザインとタイポグラフィ

  • Design Arena: Ideogram 4 は、Design Arena Elo リーダーボードにおいて、GPT や Gemini のプロプライエタリ・モデルに次ぐ、トップランクのオープンウェイト・モデルです。
  • ContraLabs: プロのデザイナーによるブラインド・タイポグラフィ評価において、Ideogram 4 は 47.9% の 1 位獲得率を達成し、Gemini 3.1 Flash Image Preview (30.0%) や FLUX.2 [max] (15.5%) を大きく引き離しました。
  • Practical Usability: プロのデザイナーは、実際のクライアント業務における Ideogram 4 の評価を 3.55 / 5 と最も高く評価しました。

一般的な能力

  • LMArena: Ideogram は、画像生成ラボの全体的なランキングでトップ 5 に入り、オープンウェイト・ラボとしてトップランクです。
  • Open-Source Benchmarks: 7Bench レイアウト制御ベンチマークにおいて、Ideogram 4 はすべてのクローズドソース・モデルを凌駕しました。また、Qwen-Image (20B)、FLUX.2 [dev] (32B)、および HunyuanImage 3.0 (80B MoE) といった、より大きなモデルと比較しても、優れたテキストレンダリングを提供します。

モデルの可用性とライセンス

Ideogram 4 は、Hugging Face 上で 2 つの量子化フォーマットで利用可能です:

  • nf4: 9.3B パラメータ、CUDA サポート、Diffusers 互換。
  • fp8: 9.3B パラメータ、すべてのハードウェアでサポート。

両方のバージョンは、Ideogram 4 Non-Commercial License の下でリリースされています。

コミュニティ・フィードバック

技術的な能力は称賛されていますが、コミュニティのメンバーからは、ライセンスとセーフティ・フィルターに関する懸念が示されています。Hacker News のあるユーザーは次のように述べています:

Non-commercial license, you should not call that "open-weight". Words have meaning. And people are having a laugh at how censored the model is.

クイック・スタート・ガイド

モデルをローカルで使用するには、Hugging Face でゲート付きライセンスに同意し、hf auth login を介して認証を行う必要があります。基本的な推論コマンドの構造は以下の通りです:

python run_inference.py \
  --prompt "a ginger cat wearing a tiny wizard hat reading a spellbook" \
  --output out.png \
  --quantization "nf4" \
  --magic-prompt-key "$IDEOGRAM_API_KEY"

最高品質を得るための推奨設定は --height 2048 --width 2048 および --sampler-preset V4_QUALITY_48 です。

Sources